Российский ученый предложил модель, которая может предсказывать развитие рака у отдельного человека по зависимости заболеваемости от возраста среди всего населения. Результаты работы были опубликованы в журнале Scientific Reports.

Медицинская статистика показывает, что смертность от рака увеличивается с возрастом, поскольку для его развития в ДНК организма должно произойти несколько последовательных мутаций. Переход от одной стадии развития рака к другой определяется мутациями-драйверами в ключевых генах,

которые наделяют клетку «раковыми» свойствами: способностью к ускоренному делению и сопротивлением к естественным механизмам защиты.

В то же время смертность от некоторых подвидов рака может не только расти, но и убывать с возрастом, что не могло быть объяснено в рамках классических представлений в онкологии. Было предложено огромное количество сложных моделей развития рака, имеющих множество допущений и параметров, но ни одна из них не смогла предоставить точную оценку количества мутаций в конкретных видах рака.

Алексей Беликов (лаборатория разработки инновационных лекарственных средств и агробиотехнологий МФТИ) в своей работе воспользовался данными по 20 миллионам случаев рака, находящимися в общем доступе, проверил 16 видов статистических распределений из теории вероятностей и выяснил, что лучше всего зависимость частоты заболеваемости двадцатью наиболее распространенными подвидами рака от возраста описывается распределением Эрланга – распределением вероятности, которое сейчас широко применяется в моделировании входящего потока вызовов в телекоммуникации. Примечательно, что это единственное распределение вероятности которое описывает время ожидания нескольких случайных событий, в данном случае мутаций ДНК.

«Особенность модели в том, что она учитывает случайный характер возникновения мутаций и может предсказывать количество этих мутаций, необходимых для развития рака», — комментирует Беликов

Предложенная теория позволяет предсказывать развитие любого подвида рака, для которого доступна возрастная статистика заболеваемости. Эта технология применима как в клинической практике, так и в фундаментальной науке. Так, она может помочь врачу-генетику узнать судьбу своего пациента по анализу его ДНК, а ученым — определить мутации-драйверы для разных подтипов рака.